scikit-learnの機械学習パイプライン入門
（その7：簡易AutoMLを作ろう）
機械学習のパイプラインとは、複数の処理を直列に連結したものです。 最小構成は、1つの変換器と1つの推定器（予測器）を連結したものです。 変換器：特徴量X（説明変数）などの欠測値処理や変数変換などの、特徴量変換（Trans...
sklearn
scikit-learnの機械学習パイプライン入門
scikit-learnの機械学習パイプライン入門
（その6：変数ごとに関数選択＋チューニング自動化）
機械学習のパイプラインとは、複数の処理を直列に連結したものです。 最小構成は、1つの変換器と1つの推定器（予測器）を連結したものです。 変換器：特徴量X（説明変数）などの欠測値処理や変数変換などの、特徴量変換（Trans...
scikit-learnの機械学習パイプライン入門
（その5：変換器の自動選択）
機械学習のパイプラインとは、複数の処理を直列に連結したものです。 最小構成は、1つの変換器と1つの推定器（予測器）を連結したものです。 変換器：特徴量X（説明変数）などの欠測値処理や変数変換などの、特徴量変換（Trans...
scikit-learnの機械学習パイプライン入門
（その4：変数ごとに変換器の処理を変える）
機械学習のパイプラインとは、複数の処理を直列に連結したものです。 最小構成は、1つの変換器と1つの推定器（予測器）を連結したものです。 変換器：特徴量X（説明変数）などの欠測値処理や変数変換などの、特徴量変換（Trans...
scikit-learnの機械学習パイプライン入門
（その1：変換器と推定器でパイプラインを作ってみよう）
機械学習のパイプラインとは、複数の処理を直列に連結したものです。 最小構成は、1つの変換器と1つの推定器（予測器）を連結したものです。 変換器：特徴量X（説明変数）などの欠測値処理や変数変換などの、特徴量変換（Trans...
Python のハイパーパラメータ自動最適化ライブラリー Optuna その3
– scikit-learnのモデルをOptunaでCV（クロスバリデーション）を実施する方法 –
scikit-learnのモデルをOptunaでCV（クロスバリデーション）を実施する方法は2種類あります。 良し悪しを判断するメトリクスにscikit-learnのCVを指定する方法 OptunaのCV関数（Optun...
Python のハイパーパラメータ自動最適化ライブラリー Optuna その2
– Optunaを使うとき最低限覚えておきたい探索範囲の指定方法 –
機械学習などの数理モデルには、通常幾つかのハイパーパラメータがあり、そのハイパーパラメータの設定次第で大きく精度が変わります。 このハイパーパラメータを調整し最適な設定を探すタスクを、ハイパーパラメータチューニングと言い...
Python の ハイパーパラメータ自動最適化ライブラリー Optuna その1
– Optuna のちょっとした使い方 –
機械学習などの数理モデルには、通常幾つかのハイパーパラメータがあり、そのハイパーパラメータの設定次第で大きく精度が変わります。 このハイパーパラメータを調整し最適な設定を探すタスクを、ハイパーパラメータチューニングと言い...
Python Scikit-Learn（sklearn）を使った
ステップワイズな特徴量選択（変数選択）RFE
色々な特徴量選択（feature selection）の方法があります。 よくあるやり方としては…… 分散や共分散を元に特徴量（説明変数）を削る方法 モデルへの影響を考慮しながら特徴量（説明変数）を削る方法 ……などなど...
Python category_encodersでカテゴリカル変数をサクッと数字データに変換しよう
カテゴリカル変数は、数字で表現されているケースと、文字列で表現されているケースが多いです。 文字列で表現されているケースの場合、そのままモデル構築するとエラーが出ることも多いです。 そのような場合、文字列を数字にエンコー...
